7 つの逆運動学のための平衡最適化粘菌アルゴリズム

Scientific Reports volume 12、記事番号: 9421 (2022) この記事を引用

1438 アクセス

6 引用

メトリクスの詳細

複雑なマニピュレータの逆運動学(IK)を効率的に解くために,ハイブリッド平衡最適化粘菌アルゴリズム(EOSMA)を提案した。 まず、平衡オプティマイザーの濃度更新演算子を使用して、粘菌アルゴリズムの異方性検索をガイドし、検索効率を向上させます。 次に、貪欲戦略を使用して個別およびグローバルの履歴最適値を更新し、アルゴリズムの収束を加速します。 最後に、ランダム差分突然変異演算子が EOSMA に追加され、局所最適から逃れる可能性が高まります。 これに基づいて、多目的 EOSMA (MOEOSMA) が提案されています。 次に、EOSMA と MOEOSMA が 2 つのシナリオで 7 自由度マニピュレータの IK に適用され、15 の単一目的アルゴリズムと 9 つの多目的アルゴリズムと比較されます。 結果は、EOSMA が以前の研究よりも精度が高く、計算時間が短いことを示しています。 2 つのシナリオでは、EOSMA の平均収束精度は 10e-17 と 10e-18 で、平均解時間はそれぞれ 0.05 秒と 0.36 秒です。

インバースキネマティクス (IK) 問題は、マニピュレータのエンドエフェクタ 1 の位置と姿勢に基づいて関節角度を決定する問題です。 すなわち、エンドエフェクタを所望の位置および姿勢に正確に移動させることが目的である2。 これはロボット技術における最も基本的な問題の 1 つであり、ロボットの動作制御、軌道計画、動的解析において重要な役割を果たします3。 ただし、冗長マニピュレータの IK は非線形方程式のため複雑な問題になります4。 逆運動学を解くための従来の方法には、主に解析的方法と数値反復法が含まれます5,6。 IK 問題には、Pieper 標準に準拠したマニピュレータ用の解析ソリューションがあります。 しかし、マニピュレータの種類の増加に伴い、ケーブル駆動のシリアルパラレルマニピュレータ7や超冗長シリアルマニピュレータ8など、Pieper規格を満たさないマニピュレータも多くなってきています。 冗長マニピュレータの IK には、多くのグループ ソリューションが含まれる場合があります。 それでも、従来の方法では満足のいく解決策を得るのは難しく、リアルタイム性も劣ります。 結果として、メタヒューリスティック手法を使用して複雑なマニピュレータの IK を解決することが好ましい9。 メタヒューリスティック アルゴリズムは、実際の最適化問題を解決するための正確な方法に代わる有効なランダム方法です10、11。 メタヒューリスティックの利点には、原理の単純さ、実装の容易さ、問題からの独立性、および勾配のない特性が含まれます12。 粒子群最適化 (PSO)9、ホタル アルゴリズム (FA)13、人工蜂コロニー アルゴリズム (ABC)14 などを含む多くのメタヒューリスティック アルゴリズムが、ロボット マニピュレーターの IK に効果的に適用されています。 これらのアルゴリズムは優れた収束精度を実現していますが、多くの場合、エンドエフェクターの姿勢が考慮されていないため、IK 問題の複雑さが軽減され、ほとんどの実用的なアプリケーションと矛盾します。

粘菌アルゴリズム (SMA) は、2020 年に Li らによって開発された独自のメタヒューリスティック アルゴリズムです。 2年以内にフィールドに到達します。 たとえば、Abdel-Basset et al.16 と Ewees et al.17 は、改良された SMA を特徴選択問題に適用しました。 Abdel-Basset ら 18、Naik ら 19、Zhao ら 20 は、ハイブリッドおよび改良された SMA を使用して画像セグメンテーション問題 (ISP) を解決しました。 El-Fergany 21、Kumar et al.22、Liu et al.23、Mostafa et al.24、Yousri et al.25 は、それぞれハイブリッドおよび改良型 SMA を使用して太陽電池のパラメータを推定しました。 Agarwal と Bharti26 は、改良された SMA を移動ロボットの衝突のない最短時間の経路計画に適用しました。 Rizk-Allah ら 27 は、高地での風力タービンのエネルギーコストを最小限に抑えるために、カオス反対強化型 SMA (CO-SMA) を提案しました。 Hassan et al.28 は、改良型 SMA (ISMA) を適用して、単一および二重の目的を持つ経済的および排出量配分 (EED) 問題を効率的に解決しました。 Abdollahzadeh et al.29 は、0–1 ナップザック問題を解決するためのバイナリ SMA を提案しました。 Zubaidi et al.30 は、都市の水需要予測のために SMA と人工ニューラル ネットワーク (ANN) を組み合わせました。 Chen と Liu31 は、より高い予測精度を得るために、K-means クラスタリングとカオス SMA をサポート ベクトル回帰と組み合わせました。 Ekinci et al.32 は、SMA を電力システム安定化設計 (PSSD) に適用しました。 Wazery et al.33 は、疾患の分類および診断システムとして SMA と K 最近傍を組み合わせました。 Wei et al.34 は、無効電力を最適に供給するために電力システムにおける SMA を強化することを提案しました。 Premkumar ら 35 と Houssein ら 36 は、現実世界の複雑な多目的工学設計問題を解決するための多目的 SMA (MOSMA) を開発しました。 Yu ら 37 は、量子回転ゲート (QRG) と水循環演算子を使用して元の SMA の堅牢性を強化した改良型 SMA (WQSMA) を提案しました。 Houssein et al.38 は、ハイブリッド SMA と適応誘導差分進化 (AGDE) アルゴリズムを提案しました。これは、SMA の活用能力と AGDE の探索能力をうまく組み合わせたものです。